java - 如何跳过 well-formed for java DOM 解析器

Question

我知道这已被多次询问，但我有一个不同的问题来处理它。在我的例子中，应用程序接收到一个作为字符串传递的格式不正确的 dom 结构。这是一个示例:

<div class='video yt'><div class='yt_url'>http://www.youtube.com/watch?v=U_QLu_Twd0g&feature=abcde_gdata</div></div>

如您所见，内容格式不正确。现在，如果我尝试使用普通的 SAX 或 DOM 解析进行解析，它会抛出一个可以理解的异常。

org.xml.sax.SAXParseException:对实体“feature”的引用必须以“;”结尾分隔符。

根据要求，我需要阅读此文档，添加一些额外的 div 标签并将内容作为字符串发回。这通过使用 DOM 解析器非常有效，因为我可以读取输入结构并在所需位置添加额外的标签。

我尝试使用像 JTidy 这样的工具进行预处理，然后进行解析，但这会导致将文档转换为完全成熟的 html，这是我不想要的。这是示例代码:

StringWriter writer = new StringWriter();
Tidy tidy = new Tidy(); // obtain a new Tidy instance
tidy.setXHTML(true);
tidy.parse(new ByteArrayInputStream(content.getBytes()), writer);
DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
DocumentBuilder db = dbf.newDocumentBuilder();
Document doc = db.parse(new ByteArrayInputStream(writer.toString().getBytes()));
// Traverse thru the content and add new tags
....
Transformer transformer = TransformerFactory.newInstance().newTransformer();
transformer.setOutputProperty(OutputKeys.INDENT, "yes");
transformer.setOutputProperty(OutputKeys.OMIT_XML_DECLARATION, "yes");
StreamResult result = new StreamResult(new StringWriter());
DOMSource source = new DOMSource(doc);
transformer.transform(source, result);

这会将输入完全转换为格式良好的 html 文档。然后很难手动删除 html 标签。我尝试的另一个选择是使用 SAX2DOM，它也创建了一个 HTML 文档。这是示例代码。

ByteArrayInputStream is = new ByteArrayInputStream(content.getBytes());     
Parser p = new Parser();
p.setFeature(IContentExtractionConstant.SAX_NAMESPACE,true);
SAX2DOM sax2dom = new SAX2DOM();
p.setContentHandler(sax2dom);
p.parse(new InputSource(is));
Document doc = (Document)sax2dom.getDOM();

如果有人可以分享他们的想法，我将不胜感激。

谢谢

Answer 1

最简单的方法是用相应的 xml 实体替换 xml 保留字符。您可以手动执行此操作:

content.replaceAll("&", "&");

如果您不想在解析之前修改您的字符串，我可以向您推荐另一种使用 SaxParser 的方法，但这种解决方案更加复杂。基本上你必须:

1. 写一个LexicalHandler在 结合 ContentHandler
2. 告诉解析器继续它的 fatal error 后执行( ErrorHandler 是不够的)
3. 将未声明的实体视为简单实体 正文

更新
根据您的评论，我将添加有关第二种解决方案的一些细节。我写了一个扩展 DefaulHandler 的类(EntityResolver、DTDHandler、ContentHandler 和 的默认实现ErrorHandler) 并实现 LexicalHandler。我扩展了 ErrorHandler 的 fatalError 方法(我的实现除了抛出异常外什么都不做)和 ContentHandler 的 characters 方法与 LexicalHandler 的 startEntity 方法结合使用。

public class MyHandler extends DefaultHandler implements LexicalHandler {

    private String currentEntity = null;

    @Override
    public void fatalError(SAXParseException e) throws SAXException {
    }

    @Override
    public void characters(char[] ch, int start, int length)
            throws SAXException {
        String content = new String(ch, start, length);
        if (currentEntity != null) {
            content = "&" + currentEntity + content;
            currentEntity = null;
        }
        System.out.print(content);
    }

    @Override
    public void startEntity(String name) throws SAXException {
        currentEntity = name;
    }

    @Override
    public void endEntity(String name) throws SAXException {
    }

    @Override
    public void startDTD(String name, String publicId, String systemId)
            throws SAXException {
    }

    @Override
    public void endDTD() throws SAXException {
    }

    @Override
    public void startCDATA() throws SAXException {
    }

    @Override
    public void endCDATA() throws SAXException {
    }

    @Override
    public void comment(char[] ch, int start, int length) throws SAXException {
    }
}

这是我的 main，它解析格式不正确的 xml。 setFeature 非常重要，因为如果没有它，解析器将抛出 SaxParseException，尽管 ErrorHandler 是空实现。

public static void main(String[] args) throws ParserConfigurationException,
        SAXException, IOException {
    String xml = "<div class='video yt'><div class='yt_url'>http://www.youtube.com/watch?v=U_QLu_Twd0g&feature=abcde_gdata</div></div>";
    SAXParser saxParser = SAXParserFactory.newInstance().newSAXParser();
    XMLReader xmlReader = saxParser.getXMLReader();
    MyHandler myHandler = new MyHandler();
    xmlReader.setContentHandler(myHandler);
    xmlReader.setErrorHandler(myHandler);
    xmlReader.setProperty("http://xml.org/sax/properties/lexical-handler",
            myHandler);
    xmlReader.setFeature(
            "http://apache.org/xml/features/continue-after-fatal-error",
            true);
    xmlReader.parse(new InputSource(new StringReader(xml)));
}

这个主要打印出包含错误的 div 元素的内容:

http://www.youtube.com/watch?v=U_QLu_Twd0g&feature=abcde_gdata

请记住，这是一个适用于您的输入的示例，也许您必须完成它...例如，如果您正确转义了一些字符，您应该添加一些代码行来处理这种情况等。

希望这对您有所帮助。